UNIVERSIDAD NACIONAL DE HUANCAVELICA

FACULTAD DE CIENCIAS DE INGENIERIA

ESCUELA DE INGENIERIA CIVIL

TEMA:
INFORME FINAL DE HIDROLOGIA GENERAL

CURSO:
HIDROLOGIA GENERAL

DOCENTE: Ing. AYALA BIZARRO, Ivan

ALUMNO: HUAMAN VARGAS, Juan Tony

CICLO: VII SECCION: B

3 de Agosto de 2016
Indice

I Generalidades 8
0.1. Descripcion Hidrografica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.2. Descripcion Fisiografica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1. Delimitacion de la Cuenca Canete 9

2. Parametros de la Cuenca Canete 11

2.1. Area de la Cuenca(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Permetro de la cuenca(P) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Longitud de la Cuenca(L) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4. Longitud del cause principal(Lp) . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5. Indice de Compacidad(Kc) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6. Coeficiente de Forma(Kf) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.7. Tiempo de Concentracion(tc) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3. Curvas Caractersticas de la Cuenca 12

3.1. Curva Hipsometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.1. Cuadro de areas entre curvas de nivel . . . . . . . . . . . . . . . . . . . . 12
3.1.2. Grafico de la Curva Hipsometrica . . . . . . . . . . . . . . . . . . . . . . . 12

II Precipitaciones 13

4. Estaciones Meteorologicas 13

5. Precipitaciones de cada Estacion 14

6. Estacion Carania 15

7. Estacion Huangascar 15

8. Estacion Pacaran 15

9. Estacion Socsi Canete 16

10.Estacion Tanta 16

11.Estacion Vilca 16

12.Estacion Yauricocha 17

13.Estacion Yauyos 17

14.Resumen de las precipitaciones 17

15.Hietograma 18

16.Hidrogramas 18

III Distribuciones Estadsticas en Hidrologa 19

2
17.Distribucion Normal 19
17.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
17.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
17.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
17.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 21
17.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
17.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
17.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

18.Distribucion Log Normal 2p 23

18.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
18.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
18.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
18.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 25
18.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
18.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
18.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

19.Distribucion Log Normal 3p 28

19.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
19.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
19.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
19.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 31
19.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
19.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
19.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

20.Distribucion Gamma 2p 36
20.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
20.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
20.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
20.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 38
20.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
20.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
20.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

21.Distribucion Gamma 3p 43
21.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
21.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
21.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
21.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 46
21.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
21.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
21.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

22.Distribucion Gumbel 50
22.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
22.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
22.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
22.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 51
22.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
22.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
22.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3
23.Distribucion Log Gumbel 56
23.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
23.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
23.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
23.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 58
23.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
23.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
23.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4
 Resumen
En el presente trabajo se plasma las distribuciones estadsticas mas comunes, las mismas que
son muy utilizadas en el campo de la hidrologa.
Tomando como informacion a los datos de precipitacion, caudales, temperatura, evaporacion,etc.
Las cuales nos daran resultados de una cierta probabilidad de acuerdo a un cierto tiempo de
retorno que nos serviran para poder disenar y construir puentes, defensa riberenas,etc.

5
 Introduccion
En este presente trabajo veremos las caractersticas de las estaciones meteorologicas que se
encuentran dentro de nuestra cuenca delimitada, que es la cuenca Canete.

Tambien calcularemos las precipitaciones mensuales y anuales de cada estacion meteorologi-

ca. Puesto que se encontro Ocho estaciones activas dentro de la cuenca en estudio.,

En la teora de la probabilidad y estadstica, las distribuciones de probabilidad de una varia-

ble aleatoria son funciones que asignan una probabilidad a cada suceso definido sobre la variable
aleatoria. La distribucion de probabilidad calcula el conjunto de valores de la variable aleatoria,
y la probabilidad de que el valor de la variable aleatoria este dentro de un rango definido.

El desbordamiento de un ro lleva consigo una serie de riesgos que pueden afectar grave-
mente tanto a construcciones como a la poblacion en general. Por ello, la sociedad demanda un
instrumento para acotar ese riesgo y obtener una seguridad de que la zona a ocupar quede libre
de ser susceptible de una intrusion de las aguas fluviales debido a una tormenta extraordinaria.

Los estudios de inundabilidad son, en la actualidad, una herramienta eficaz para delimitar
la capacidad de trasporte hdrico que puede tener un determinado ro. Estos se realizan para
asegurarse de que las aguas quedaran a una determinada cota durante una lluvia estadstica
con un determinado periodo de retorno. La lluvia de calculo (mm.) se obtiene segun diversas
distribuciones estadsticas a partir de una serie de datos de lluvia maximos anuales ya registrados.

Las distribuciones mas utilizadas en la actualidad son la distribucion desarrollada por el

matematico aleman Emil Julius Gumbel, aplicada a la hidrologa por Ven Ten Chow, la distri-
bucion Log-Pearson Tipo III.

Estas distribuciones se realizaron mediante el programa RStudio,que es un software neta-

mente estadstico que nos permite programar estas distribuciones . En el presente trabajo se
desarrollo sus codigos juntamente con ejemplos.

6
 Objetivos
Calcular los Caudales para los diferentes tiempos de retorno,mediante las distribuciones
estadsticas, viendo asi un mejor ajuste a la distribucion emprica.

aprender sobre las distribuciones estadsticas, que son muy importantes para poder elegir
un caudal maximo la cual se obtiene mediante probabilidades y que estan en funcion de
los tiempos de retorno. Y finalmente con este Caudal maximo hacer los calculos para el
diseno.

Para poder realizar este trabajo fue necesario aprender el software RStudio, que nos per-
mite realizar estadstica mediante los codigos que este tiene y nos facilita la programacion.

7
Parte I

Generalidades
0.1. Descripcion Hidrografica
El Canete es uno de los 52 ros costeros de importancia, que se encuentra en la vertiente del
Pacfico u Occidental, en la region central de esta vertiente, en cuya parte inferior se encuentra
el valle agrcola, limitado por el norte con la cuenca del ro Omas, por el sur con la quebrada
Topara y por el oeste con el Oceano Pacfico. La parte superior de la cuenca se conforma por
montanas que constituyen la cuenca alta y cuya lnea de cumbres lo separa, por el Norte y Este,
de la cuenca del ro Mantaro; por el Sur, de la cuenca del ro San Juan (Chincha) y, por el Oeste,
de las cuencas de los ros Omas y Mala.

El ro Canete nace en la Laguna Ticllacocha (aprox. 4600 m.s.n.m); hasta su desembocadu-

ra en el mar. Inicialmente, discurre en direccion Sur-Norte hasta la laguna de Paucarcocha,
recibiendo en este tramo el aporte de las lagunas de Unca, Pomacocha, Llica, Pescacocha y
Chuspicocha, principalmente. Luego, cambia de direccion bruscamente discurriendo de Oeste
a Este hasta llegar a la localidad de Vilca, incrementando su caudal con los aportes de las
lagunas Pariachata, Pilicocha, Suerococha y Mollococha, alimentadas por los deshielos de los
nevados Azulcocha y Escalera. Nuevamente, cambia de direccion siguiendo el rumbo NNE-SSO
hasta su interseccion con la quebrada Aucampi, punto a partir del cual discurre siguiendo un
alineamiento NNO-SSE, hasta su confluencia con el ro Cacra, afluente de su margen izquierda.
Aguas abajo de este punto, el ro Canete discurre con un rumbo sensiblemente NE-SO hasta su
desembocadura en el Oceano Pacfico.
A lo largo de su recorrido, el ro Canete recibe el aporte de numerosos afluentes, entre los cuales
cabe mencionar, por la margen derecha, los ros Miraflores (120 Km2 ) y Yauyos (102 Km2 );
las quebradas Huantuya (Carania, 54 Km2 ) y Aucampi(343 Km2 ) y, por la margen izquierda,
los ros Tomas (450 Km2 ), Laraos(180 Km2 ) y Cacra (635 Km2 ) y las quebradas de Tinco
(Huantan, 424 Km2 ), Pampas (133Km2 ) Tupe (224 Km2 ), principalmente.

En la Figura 1: se muestra un mapa de la cuenca del ro Canete,realizado con Google Earth, y

con sus respectivas estaciones meteorologicas.

8
 Figura 1: Cuenca del ro Canete y ubicacion de las estaciones meteorologicas

0.2. Descripcion Fisiografica

El relieve de la cuenca presenta el aspecto tpico de la mayora de las cuencas de la Costa;
es de forma alargada, de fondo profundo y pronunciada pendiente, que presenta una fisiografa
escarpada y en partes abrupta, cortada frecuentemente por quebradas profundas y estrechas
gargantas.

La parte superior de la cuenca presenta, por efecto de la glaciacion numerosos nevados, la-
gunas y glaciares. En direccion al Oceano Pacfico, la cuenca se encuentra limitada por cadenas
de cerros cuyas cumbres muestran un sostenido y rapido descenso de nivel. En la parte inferior
de la cuenca, como resultado de la disminucion brusca de la pendiente y de la velocidad del
agua, se ha producido la deposicion del material aluvionico formando una pequena Ilanura. En
este sector, debido a la accion erosiva del viento, se presentan cerros bajos redondeados, a veces
aislados, y colinas.

De acuerdo a estas caractersticas, la cuenca presenta dos zonas perfectamente diferenciadas:

una montanosa, que cubre aproximadamente el 95 % del area total y un llano aluvial (valle del
ro Canete), localizado en la zona baja y que cubre el 5 % restante.

1. Delimitacion de la Cuenca Canete

La delimitacion de la cuenca Canete, se hizo con el programa Qgis, la cual se muestra la
siguiente figura

9
 Figura 2: Cuenca Canete

CUENCA CAETE

COORDENADAS UTM
Sa c
u cru m
i

RACRA

PI
YACUNA
MU L

AM

A
DEL PUNTO DE AFORO:

OSCO

NJ
L UC

ANQ UI
N I
A QU

ZA
H
OCH

IC

NA
U
HU AC

NU
G

AC

N
HU A

O
PU
UY

R
X : 354966.271434 m

YA

TA
YU
INC

TOTA
H

AN
AS
CH

Y : 8549328.097804 m
US A MA
AT TA C

PI
PI AP AN

YU
S
HU CH

A
IN A

PA
Z : 100 msnm

HU
QU

AN

N
C

SIN
CA
PUM PUR E

CULLPANA
H
A
M E
O
AG U A
UC SH

LEYENDA
CAETE
D U LC U
E UC
PANCA
N IA PA RA CO
C U TU A URA
YA N O

S
PUNTO DE AFORO
A

IR
PA
LL

IA
&
- IS MI

M
PALCO
AL

PA
AMPA

O
TOMAP

IER
A
RIOS_Clip AL IS

QU

PE
OJ

PA

UM
UJ O

SI
QU R UC

E PA CO IA

L
HUA

A
LL P

A
CURVAS_Clip

C
LA

CH
U

C
RO

ERHUATA
CH

O
I
L QU

C
SH A UY

H
A
LAR AOS A

YA
QU CH
RasterT_Watersh1

O
IM

C
UR

C
SH

A
T
A CA

U
C AR

H
NIZ

A
ANJ

S
A O A E
MA
CH LLONGOT E

IZA

TR
L E ANGUIR E
NC

A NC
O
BR
C
CA

A
AREA : 5942118986.684042 m2
AR

JAL
HUA AN
N TA

C
G
A

N
UIR
PERIMETRO : 497635.216212 m
HC

ACH
A
AC
YAU

E
CO
IC

LL
HUAYLL
A

A
QU

CO

AY
LL

NA
IN
YO
JA

HU
CH

M PU
O
S
TA

S
PATARA

AN

E
URA

PA
SI TOMA CA

HUA
UA PA AN
A SH LL
PA C
L
LAT PA A LA PI

E
RA U IN A A
T IN

CALL

ACHOC
U OL
HAY

SH IVA C H U Q TUPNA
N AJ
RA SH AR AC
TIC

O
IM AC

PUC ARA AY

CUCH

UY
AN
CH AY CH
MP
SH ATIA

PA

C
O RA PA IC
O R
TOT

AN
IO
CHIR
HU

R
AC

UA CH NA

NUNYA
HU
ISH CH Y
LA

QU HU AQ TU
A UI AN UY
O
ICH

CO C
AU

IQ CH AN
AN

E LA UE HU
IC
C

OS A
UR
O
CH

C
SAQU I

PO
PA
MO

A PA LA YANACOCHA
AU

CAE

LP M PA PA
L AL MIR
CA E
C

ES S
UC
AC
AM

A
CH CH
LLO
TE
PI

LU E

PALL CA
UA
CU NA CH AU LL
NG

RH
H U IN AMAY U
PO

SO I RU ANUCARA
LE

ATA
AM Y

CA
AC RA

Y
OL
RTIL

LA
JO
HU YAU

UC JR

I
TA

C
H

VIR
CHA

AL L UC
LO

PO

SI
JAY

AY UL
A

LE O

AYA
C
M

CA
L
U CA
U

A
NA

JA
SI
MA

A
PIN
LA C
Y N
E

CAUCAU
S

CA E
JAM
CAJ

RC
ILL O
PUC
SAYHUE

Y E
LA
A Y
H IC CO CE
PA
MA R

ICC
TU

TA

TAMB

CH MILLPO
CAN
R

CA

RO
PA

LO

SA

DI
C AR

RE
J
UE

SA L IT Y ON
UR
AS

LA
TI
AL E
CH

HUERO

C
H

O
A

LL
M
N
CA

A
RIA

UC
AY

CH
A
E
R

CH HU
S

LIN
AN

LLACTA

A
CAINA

YA

SHACANTE CS
E LU
AP TU P
I

PA HU
O CA TA YA
PICH

TA CR CA M O UA
CAM ATA

IH
AIR

BO B
LL
AN

R A A Q TA M PA LL
U

UI
TACASHMAYO
AY
SAN JU

CH
A

HU

HU M
LA

AY
A
APO

UC

YL
AN

A U
CUYCUY

HA

HU NC
AN

SIC
A
TARA

AN A
LL

CH
TE A
Z
L

IL C G
JA
A

C RU

AS
E
IANA

O CA
A

CA R
VAY
N

H UA
SHALLALLI
IG

HUAT

TOT HU
O
CHO

AN
AN

R ITA
JOL

AC
CAR
C

O UM A
H

ES M UT
VI
O
O

COS
I
PAL
HU

Y
NA
A

PI
C
AG

AL
JA

PITE HUAMANI MA O
IL

AC AR
C

UY
A
SA

JU DE
AY

RC
A

A AN C
N

NC CE
A

R
CA

PI

NIA
JO

R
UY
LUCUMO

TO

OS PA RA QU PA
UM

O MO
SE

E
LA

MP
TO
ACUPIT E

LA J
ES

CASA LL
YO A
MA

A MA
CHUN

ES C
C
YT

JITA A L N CHA TA
POJLOL

LA U CH TU
A

N AS
GL
UNA

O
A CCH
CHU
PL
LA

A
TINT IA
N

ZA
G
LA

YO
NACC HA
CO

C
CH
CAL

INCAH

ES C
A
AR

L ON
L OP

CA

UASI
S
ILL A

ALUMNO:
CON CON

100
&
- JUAN TONY HUAMAN VARGAS

10
2. Parametros de la Cuenca Canete

2.1. Area de la Cuenca(A)

El area total en Km2 de la Cuenca Canete se muestra en la siguiente tabla:
Area 5942.118987 Km2

2.2. Permetro de la cuenca(P)

EL permetro total en Km se resume la tabla:
Permetro 497.635216 Km

2.3. Longitud de la Cuenca(L)

la longitud de la cuenca es la siguiente:
Longitud 147.5757 Km

2.4. Longitud del cause principal(Lp)

la Cuenca cuenta con una longitud principal de:
Lp 227191 Km

2.5. Indice de Compacidad(Kc)

el indice de compacidad se calcula mediante la siguiente formula:
P
Kc = 0,28
A
Kc 1.81

2.6. Coeficiente de Forma(Kf )

el coeficiente de forma se calcula mediante la formula:
A
kf =
Lc2
donde:
Lc = longitud del cause principal
Kf 0.11

2.7. Tiempo de Concentracion(tc)

0,06628 Lc0,77
tc =
S 0,0385
donde:
Lc = longitud del cause principal
S= Pendiente de la cuenca
537,5 100
S = 2,96
147,5757
tc = 2,042

11
3. Curvas Caractersticas de la Cuenca

3.1. Curva Hipsometrica

3.1.1. Cuadro de areas entre curvas de nivel

este cuadro se construyo a partir de la delimitacion de la cuenca,las cuales muestran las areas
entre curvas de nivel.

Figura 3: cuadro de Areas entre curvas de nivel

3.1.2. Grafico de la Curva Hipsometrica

Es la curva que puesta en coordenadas rectangulares, representa la relacion entre la altitud
y la superficie de la cuenca que queda sobre es altitud. Para construir la curva hipsometrica,
se utiliza un mapa con curvas de nivel, el cual se obtiene al delimitar la cuenca mediante el
programa de Qgis.

Figura 4: Curva Hipsometrica

12
 NOTA: Segun la imagen de la curva hipsometrica se trata de un rio joven, la cual se
encuentra en estado erosivo.

Parte II

Precipitaciones
4. Estaciones Meteorologicas
Las estaciones meteorologicas activas de la cuenca Canete son 8. En la Figura 2: podemos
observar la ubicacion Geografica de cada estacion con sus respectivos nombres.

Figura 5: descripcion de las estaciones meteorologicas dentro de la cuenca Canete

13
5. Precipitaciones de cada Estacion
A continuacion veremos la precipitacion acumulada mensual y anual de cada una de las es-
taciones mencionada anteriormente. Las cuales han sido analizados con un periodo de 5 anos y
en algunas de 6 anos, para obtener las precipitaciones mensuales y anuales se a tenido que sacar
las precipitaciones diarias.

En la figura 3: Se muestra la tabla de datos de la estacion CARANIA del ano 2011,en ello
se muestra el paso realizado para obtener la precipitacion mensual (del mes de febrero) que es
la suma de las precipitaciones diarias.

Figura 6: calculo de la precipitacion diaria y mensual

14
6. Estacion Carania
En esta estacion veremos a detalle solo las precipitaciones mensuales y anuales, obviando
las precipitaciones diarias ya que se hizo un ejemplo; ver la Figura 3, el cual es el mismo paso
para cada mes de un respectivo ano.

Figura 7: precipitacion mensual y anual de la estacion Carania

7. Estacion Huangascar
Al igual que el anterior estacion, mostraremos una tabla de resumen de las precipitaciones
mensuales y anuales, durante un periodo de 6 anos(del 2010 al 2015) de la recpectiva estacion
meteorologica .

Figura 8: calculo de la precipitacion mensual y anual de la estacion Huangascar

8. Estacion Pacaran
En la presente estacion meteorologica se muestra una tabla de resumen de las precipitaciones
mensuales y a anuales durante un periodo de 6 anos(del 2010 al 2015) de la respectiva estacion.

Figura 9: tabla de precipitaciones de la estacion Pacaran

15
9. Estacion Socsi Canete
De igual forma se presenta una tabla de resumen de las precipitaciones mensuales durante
un periodo de 6 anos(del 2010 al 2015),con su respectiva precipitacion anual, de la estacion Socsi
Canete

Figura 10: tabla de precipitaciones mensuales de la estacion Socsi

10. Estacion Tanta

De igual manera se realizo una tabla de resumen de las precipitaciones mensuales durante un
periodo de 5 anos(del 2011 al 2015),con su respectiva precipitacion anual, de la estacion Tanta.

Figura 11: precipitacion mensual de la estacion Tanta

11. Estacion Vilca

Del mismo modo se realizo una tabla de resumen de las precipitaciones mensuales durante un
periodo de 6 anos(del 2010 al 2015),con su respectiva precipitacion anual, de la estacion Vilca.

Figura 12: precipitacion mensual de la estacion Vilca

16
12. Estacion Yauricocha
Del mismo modo se realizo una tabla de resumen de las precipitaciones mensuales durante
un periodo de 5 anos(del 2011 al 2015),con su respectiva precipitacion anual, de la estacion
Yauricocha

Figura 13: precipitacion mensual de la estacion Yauricocha

13. Estacion Yauyos

Y por ultimo tambien se presenta una tabla de resumen de las precipitaciones mensuales
durante un periodo de 6 anos(del 2010 al 2015),con su respectiva precipitacion anual, de la
estacion Yauyos.

Figura 14: precipitacion mensual de la estacion Yauyos

14. Resumen de las precipitaciones

A continuacion se muestra un cuadro de resumen de las precipitaciones mensuales, las cuales
fueron sacados de un promedio de todas las estaciones de la cuenca Canete correspondientes a
un mes, durante un periodo de tiempo de 6 anos(2010-2015).

Figura 15: precipitacion mensual de la Cuenca Canete

17
15. Hietograma

16. Hidrogramas

18
Parte III

Distribuciones Estadsticas en Hidrologa

17. Distribucion Normal

17.1. Recepcion de Datos

Importar los datos de la variable.

# Definir la ubicacion de la carpeta de trabajo

setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

17.2. Distribucion Emprica

Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (1)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205

19
 ##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",

main = "Distribucion Emprica")
grid()

Distribucin Emprica
1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

17.3. Calculo de los parametros

# Calculo de parametros Metodo de Momento

mu <- mean(x);mu # Parametro de Posicion.

[1] 40.12682

sigma <- sd(x);sigma # Parametro de Escala.

[1] 41.45918

20
17.4. Calculo de la Funcion Acumulada F x

#calculo de la funcion de distribucion acumulada F(x)

F_AS <- c()
for(i in 1:n)
{
z<-(x[i]-mu)/sigma
fz <- 1/(sqrt(2*pi))*exp(-0.5*z^2)
w <- 1./(1+0.33267*abs(z))
F_AS[i]<-1-fz*(0.4361836*w-0.1201676*w**2+0.937280*w**3)
if(z<0){
F_AS[i]<-1-F_AS[i]
}
}
F_AS

> F_AS
[1] 0.1665490 0.1665490 0.1667750 0.1668202 0.1668504 0.1673032 0.1684955 0.1694266
[9] 0.1704374 0.1726286 0.1738025 0.1740347 0.1780137 0.1792737 0.1813746 0.1818902
[17] 0.1876813 0.1904551 0.1910293 0.1917486 0.1928408 0.2037579 0.2164697 0.2166245
[25] 0.2179188 0.2316920 0.2390182 0.2465643 0.2765856 0.2909667 0.2987668 0.3163593
[33] 0.3259686 0.3470889 0.3598624 0.3708561 0.3714257 0.3803937 0.4015236 0.4214594
[41] 0.4431468 0.4545975 0.4694443 0.4722036 0.4951616 0.5074505 0.5628354 0.6208857
[49] 0.6307043 0.6396537 0.6688776 0.6980772 0.6986342 0.7108611 0.7216146 0.7988537
[57] 0.8022989 0.8101024 0.8623939 0.8633864 0.8862116 0.8912978 0.8950174 0.9417376
[65] 0.9518255 0.9667010 0.9678141 0.9712584 0.9738283 0.9875740 0.9885319 0.9936092

plot(x, F_AS, type="l", pch=19, col="red",lty=2, xlab="X",

ylab="Probabilidad Acumulada",main="")
lines(x, P_E, pch=18, col="blue", type="b", lty=1) # Agregar una lnea
legend(topleft, legend=c(Distribucion Norma,Distribucion Emprica),
lty=1:2, col=c(red, blue), cex=0.8, text.font=4)
grid()

17.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

21
 1.0
Distribucin Normal

Distribucin Emprica

0.8
Probabilidad Acumulada

0.6
0.4
0.2

0 20 40 60 80 100 120 140

# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

##[1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

17.6. Calculo de los Cuantiles

# calculo de cuantiles
Q<-qnorm(p, mu, sigma)
Rsult<-data.frame(Tr,p,Q);Rsult

Tr p Q
1 2 0.5000000 40.12682
2 5 0.8000000 75.01975
3 10 0.9000000 93.25890
4 15 0.9333333 102.36062
5 20 0.9500000 108.32111
6 25 0.9600000 112.70883
7 50 0.9800000 125.27357
8 100 0.9900000 136.57530
9 200 0.9950000 146.91860

22
10 250 0.9960000 150.07947
11 500 0.9980000 159.45306
12 1000 0.9990000 168.24533

plot(Tr,Q, pch=23, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",
main = "Cuantiles Vs Periodo de retorno" )
grid()

Cuantiles Vs Periodo de retorno

160
140
120
Cuantil

100
80
60
40

0 200 400 600 800 1000

Periodo de retorno (aos)

17.7. Test de Smirnov Kolmogorov

## test para la distribucion teorica

tsk<-ks.test(x,"pnorm",mu,sigma);tsk # Smirnov Kolmogorov

data: x
D = 0.16656, p-value = 0.03683
alternative hypothesis: two-side

18. Distribucion Log Normal 2p

Corresponde a una distribucion asimetrica. Por tanto, se transforma la serie original x me-
diante el logaritmoy = log(x), este valor es normalmente distribuida con sus parametros de
localizacion y escala.
A continuacion se vera el calculo mediante el programa RStudio:

23
18.1. Recepcion de Datos
Importar los datos de la variable.

# Definir la ubicacion de la carpeta de trabajo

setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

18.2. Distribucion Emprica

Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (2)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

24
plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",
main = "Distribucion Emprica")
grid()

Distribucin Emprica
1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

18.3. Calculo de los parametros

# Calculo de parametros Metodo de Momento

> Cv <- sd(x)/mean(x)
> uy_mm <- 0.5*log(mean(x)**2/(1+Cv**2));uy_mm # Parametro 1

##[1] 3.328872

> sigma_mm <- sqrt(log(1+Cv**2));sigma_mm # Parametro 2

##[1] 0.8522588

18.4. Calculo de la Funcion Acumulada F x

#calculo de la funcion de distribucion acumulada F(x)

F_LN_mm <- plnorm(x, uy_mm, sigma_mm);F_LN_mm

[1] 0.000000e+00 0.000000e+00 4.295537e-15 2.268121e-14 5.812389e-14 1.105943e-10

[7] 8.202765e-08 8.789574e-07 4.745695e-06 4.636297e-05 1.059878e-04 1.223139e-04
[13] 7.460656e-04 1.119581e-03 1.978031e-03 2.237352e-03 6.593476e-03 9.654431e-03

25
[19] 1.036676e-02 1.129656e-02 1.278754e-02 3.245444e-02 6.377960e-02 6.420116e-02
[25] 6.775464e-02 1.080592e-01 1.306255e-01 1.541672e-01 2.460587e-01 2.873793e-01
[31] 3.088421e-01 3.546863e-01 3.782298e-01 4.263987e-01 4.532757e-01 4.751396e-01
[37] 4.762418e-01 4.932108e-01 5.304981e-01 5.625259e-01 5.942941e-01 6.099043e-01
[43] 6.290553e-01 6.324866e-01 6.595969e-01 6.731121e-01 7.269739e-01 7.734115e-01
[49] 7.804544e-01 7.866952e-01 8.059822e-01 8.237652e-01 8.240914e-01 8.311379e-01
[55] 8.371625e-01 8.764957e-01 8.781178e-01 8.817587e-01 9.052144e-01 9.056481e-01
[61] 9.155700e-01 9.177761e-01 9.193909e-01 9.402640e-01 9.451308e-01 9.528883e-01
[67] 9.535103e-01 9.554859e-01 9.570180e-01 9.666430e-01 9.674670e-01 9.725899e-01

plot(x, F_AS, type="l", pch=19, col="red",lty=2, xlab="X",

ylab="Probabilidad Acumulada",main="")
lines(x, P_E, pch=18, col="blue", type="b", lty=1) # Agregar una lnea
legend(topleft, legend=c(Distribucion log-Normal 2 Parametros,Distribucion Emprica)
lty=1:2, col=c(red, blue), cex=0.8, text.font=4)
grid()
1.0

Log Normal Momentos

Distribucin Emprica
0.8
0.6
Probabilidad Acumulada

0.4
0.2
0.0

0 20 40 60 80 100 120 140

18.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

# calculo de probabilidades

26
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

##[1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

18.6. Calculo de los Cuantiles

# calculo de cuantiles
Q_mm<-qlnorm(p, uy_mm, sigma_mm)
Rsult<-data.frame(Tr,p,Q_mm);Rsult

Tr p Q
## 1 2 0.5000000 27.90685
## 2 5 0.8000000 57.17698
## 3 10 0.9000000 83.18657
## 4 15 0.9333333 100.30204
## 5 20 0.9500000 113.37641
## 6 25 0.9600000 124.07795
## 7 50 0.9800000 160.64516
## 8 100 0.9900000 202.65861
## 9 200 0.9950000 250.67207
## 10 250 0.9960000 267.50072
## 11 500 0.9980000 324.34608
## 12 1000 0.9990000 388.59983

plot(Tr,Q, pch=23, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",
main = "Cuantiles Vs Periodo de retorno" )
grid()

27
 Cuantiles Momentos Vs Periodo de retorno

400
300
Cuantil

200
100

0 200 400 600 800 1000

Periodo de retorno (aos)

18.7. Test de Smirnov Kolmogorov

## test para la distribucion teorica

tsk_mm<-ks.test(x,"plnorm",uy_mm,sigma_mm);tsk_mm # Smirnov Kolmogorov

data: x
D = 0.27947, p-value = 2.61e-05
alternative hypothesis: two-sided

19. Distribucion Log Normal 3p

Esta difiere de la distribucion log - normal de 2 parametros por la introduccion de un limite
inferior x0 tal que:

y = ln(x x0 ) = y N (y , y2 ) (3)

Funcion Densidad f (x)

1 ln(x x0 ) y 2
[ ]
1
f (x) = e 2 y (4)
(x x0 )y 2

Para x0 x <

Donde:
x0 :parametro de forma
y : parametro de escala en el dominio de x

28
y2 : parametro de de forma en el dominio de x

Estimacion de Parametro, metodo de Momentos

N 2 M3
Cs = (5)
(N 1)(N 2)S 3

(xi x)3
P
M3 = (6)
N
rP
(xi x)3
S= (7)
N 1
P
xi
x= (8)
N
Luego:

s
Cs 0,52
y = (9)
4,85

1 S2
y = [ln[ 2 ] y2 ] (10)
2 e y 1

y2

x0 = x ey + 2 (11)

Funcion de Distribucion Acumulada F x

Z Z
1 Z 2
F (Z) = e 2 dZ (12)
2
Donde:

ln(x x0 ) y
Z= (13)
y

19.1. Recepcion de Datos

Importar los datos de la variable.

# Definir la ubicacion de la carpeta de trabajo

setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

29
19.2. Distribucion Emprica
Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (14)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",

main = "Distribucion Emprica")
grid()

19.3. Calculo de los parametros

# Calculo de parametros Metodo de Momento

X<-mean(x)

30
 Distribucin Emprica

1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

for (i in 1:n) {a[i]<-(x[i]-X)^2}

for (i in 1:n) {b[i]<-(x[i]-X)^3}
S<-sqrt((sum(a))/(n-1))
M<-(sum(b))/n
Cs<-((n^2)*M)/((n-1)*(n-2)*(S^3))
forma<-(abs(Cs-0.52)/4.85)^(1/2);forma # parametro de forma

##[1] 0.2876858

escala<-(1/2)*(log((S^2)/(exp(forma^2)-1))-(forma^2));escala # parametro de escala

##[1] 4.908381

posicion<-(X-exp(escala+(forma^2)/2));posicion # parametro de posicion

##[1] -101.0146

19.4. Calculo de la Funcion Acumulada F x

#calculo de la funcion de distribucion acumulada F(x)

F_AS <- c()
for(i in 1:n)
{
z<-(log(x[i]-posicion)-escala)/forma

31
 fz <- 1/(sqrt(2*pi))*exp(-0.5*z^2)
w <- 1./(1+0.33267*abs(z))
F_AS[i]<-1-fz*(0.4361836*w-0.1201676*w**2+0.937280*w**3)
if(z<0){
F_AS[i]<-1-F_AS[i]
}
}
F_AS

[1] 0.1541223 0.1541223 0.1544288 0.1544901 0.1545310 0.1551452 0.1567627 0.1580263

[9] 0.1593983 0.1623734 0.1639677 0.1642832 0.1696890 0.1714011 0.1742559 0.1749566
[17] 0.1828244 0.1865911 0.1873707 0.1883470 0.1898294 0.2046228 0.2217735 0.2219818
[25] 0.2237222 0.2421641 0.2519086 0.2618932 0.3010256 0.3194062 0.3292707 0.3512405
[33] 0.3630750 0.3886690 0.4038686 0.4167819 0.4174467 0.4278590 0.4519866 0.4742365
[41] 0.4978871 0.5101590 0.5258138 0.5286942 0.5523115 0.5646897 0.6185467 0.6717323
[49] 0.6804236 0.6882728 0.7134413 0.7379225 0.7383834 0.7484457 0.7572110 0.8181714
[57] 0.8208229 0.8268125 0.8665564 0.8673079 0.8846251 0.8885022 0.8913444 0.9281007
[65] 0.9365436 0.9497202 0.9507563 0.9540227 0.9565276 0.9715255 0.9727356 0.9799146

plot(x, F_AS, type="l", pch=19, col="red",lty=2, xlab="X",

ylab="Probabilidad Acumulada",main="")
lines(x, P_E, pch=18, col="blue", type="b", lty=1) # Agregar una lnea
legend(topleft, legend=c(Distribucion log-Normal 3 Parametros,Distribucion Emprica)
lty=1:2, col=c(red, blue), cex=0.8, text.font=4)
grid()

19.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

##[1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

32
 1.0
Distribucin logNormal 3 Parametros

Distribucin Emprica

0.8
Probabilidad Acumulada

0.6
0.4
0.2

0 20 40 60 80 100 120 140

19.6. Calculo de los Cuantiles

# calculo de cuantiles
z_interpolado<-c(0,0.84162,1.28155,1.50109,1.64485,1.75069,2.05375,2.32635,2.57583,2.65207
Q<-exp(z_interpolado*forma+escala)
Rsult<-data.frame(Tr,p,z_interpolado,Q);Rsult

Tr p z_interpolado Q
## 1 2 0.5000000 0.00000 135.4200
## 2 5 0.8000000 0.84162 172.5182
## 3 10 0.9000000 1.28155 195.7943
## 4 15 0.9333333 1.50109 208.5592
## 5 20 0.9500000 1.64485 217.3656
## 6 25 0.9600000 1.75069 224.0859
## 7 50 0.9800000 2.05375 244.5001
## 8 100 0.9900000 2.32635 264.4464
## 9 200 0.9950000 2.57583 284.1239
## 10 250 0.9960000 2.65207 290.4245
## 11 500 0.9980000 2.87816 309.9424
## 12 1000 0.9990000 3.09023 329.4406

plot(Tr,Q, pch=23, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",

33
 main = "Cuantiles Vs Periodo de retorno" )
grid()

Cuantiles Vs Periodo de retorno

300
250
Cuantil

200
150

0 200 400 600 800 1000

Periodo de retorno (aos)

19.7. Test de Smirnov Kolmogorov

## test para la distribucion teorica

# diferencia F_AS - P_E
r <- c()
for(i in 1:n)
{
a <- c(( F_AS[i] - P_E[i]))
r[i] <- abs(a)
}
r

> r
[1] 0.1404236436 0.1267250135 0.1133329139 0.0996956245 0.0860378947 0.0729533844
[7] 0.0608722951 0.0484372102 0.0361106176 0.0253870790 0.0132827423 0.0001003801
[13] 0.0083932199 0.0203796812 0.0312235652 0.0442214900 0.0500523179 0.0599841935
[19] 0.0729033046 0.0856256277 0.0978418358 0.0967470177 0.0932949477 0.1067853008
[25] 0.1187436006 0.1140002877 0.1179543804 0.1216684807 0.0962346870 0.0915526889
[31] 0.0953868425 0.0871156422 0.0889797778 0.0770844659 0.0755834379 0.0763688023
[37] 0.0894025720 0.0926889867 0.0822599376 0.0737086703 0.0637567792 0.0651834975

34
[43] 0.0632272534 0.0740454872 0.0641268081 0.0654472457 0.0252888755 0.0141981008
[49] 0.0091906797 0.0033412992 0.0148111513 0.0255937806 0.0123560005 0.0087196512
[55] 0.0037862925 0.0510481416 0.0400009973 0.0322919133 0.0583371901 0.0453900426
[61] 0.0490086280 0.0391871214 0.0283307164 0.0513884044 0.0461326162 0.0456106051
[67] 0.0329480918 0.0225158415 0.0113221428 0.0126214210 0.0001328778 0.0063867644

# Calculo de valor maximo

maximo <- max(r);maximo

#[1] 0.1404236,

35
20. Distribucion Gamma 2p
Funcion Densidad

x
x1 e
f (x) = (15)
()
Para:
0x<y
0<<
0<<

Siendo:
= parametro de forma (+)
= parametro de escala
r(y) = funcion gamma completa

La funcion gamma tiene la siguiente propiedad

r
2 1 1 139 571
r() = e [1 + + 2
3
+ ...]
12 288 51840 2488320 4
Estimacion de Parametros Metodo de Maxima Verosimilitud

Para: 0 y 0,5772
= (0,5000876 + 0,1648852y 0,0544274y 2 )/y

Y para: 0,5772 < y 17

8,898919 + 9,05995y + 0,9775373y 2

=
y(17,79728 + 11,968477y + y y )
Calculo de los Parametros

Donde:
y = lnX lnX

X
=

Funcion Acumulada F (x)

x
x
xy1 e
Z
F (x) = dx (16)
0 y r(y)

20.1. Recepcion de Datos

Importar los datos de la variable.

# Definir la ubicacion de la carpeta de trabajo

setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

36
20.2. Distribucion Emprica
Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (17)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",

main = "Distribucion Emprica")
grid()

20.3. Calculo de los parametros

# metodo de maxima verosimilitud

y<-log(mean(x))-mean(log(x))

37
 Distribucin Emprica

1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

if(y<=0.5772)
# parametro de forma
{forma<-(0.5000876+0.1648852*y-0.0544274*y^2)/y} else (y>0.5772)
{forma<-(8.898919+9.05995*y+0.9775373*(y^2))/(y*(17.79728+11.968477*y+y^2))}
forma

#[1] 0.5350759

# parametro de escala
escala<-mean(x)/forma;escala

#[1] 74.99795

20.4. Calculo de la Funcion Acumulada F x

# calculo de funcion acumulada

G_y<- c()
ry<-(forma^forma)*(exp(-forma))*(sqrt(2*pi/forma))*(1+(1/(12*forma))+(1/(288*forma^2))-(13
for(i in 1:n)
{y<-x[i]/escala
Z<-0
W<-1
h<-i

38
 for (j in 1:h) {
t<-y^(forma+(j-1))
w<-forma+(j-1)
W<-W*w
z<-t/W
Z<-Z+z
}
G_y[i]<-((exp(-y))/ry)*(Z)
}
G_y

> G_y
[1] 0.01928773 0.02126346 0.02249611 0.03258971 0.03258971 0.03671844 0.06085331
[8] 0.07488706 0.08781829 0.11111344 0.12187113 0.12389401 0.15457272 0.16309268
[15] 0.17636241 0.17946357 0.21098510 0.22437068 0.22702935 0.23030955 0.23518935
[22] 0.27847248 0.31986386 0.32032342 0.32412869 0.36111807 0.37861585 0.39536274
[29] 0.45220258 0.47523502 0.48684692 0.51111063 0.52337978 0.54829145 0.56217175
[36] 0.57349672 0.57406897 0.58289981 0.60248876 0.61959692 0.63691453 0.64557912
[43] 0.65637178 0.65832615 0.67401216 0.68201056 0.71532855 0.74642586 0.75138436
[50] 0.75583937 0.77000168 0.78365073 0.78390692 0.78949689 0.79436316 0.82846150
[57] 0.82996892 0.83338658 0.85667271 0.85712645 0.86777468 0.87021627 0.87202157
[64] 0.89695327 0.90326738 0.91381790 0.91469226 0.91750007 0.91971057 0.93433432
[71] 0.93565228 0.94411848

plot(x, G_y, type="l", pch=19, col="red",lty=1, xlab="numero de datos",

ylab="Probabilidad Acumulada",main="DISTRIBUCION GAMA 2P")
lines(x, P_E, pch=18, col="blue", type="b", lty=3) # Agregar una lnea
legend(topleft, legend=c(Gama 2P maxima verosimilitud,Distribucion Emprica),
lty=1:3, pch=c(19,20,18), col=c(red , magenta , blue), cex=0.8, text.font=4)
grid()

39
 DISTRIBUCION GAMMA 2P

Distribucion Gamma 2P

0.8
0.6 Distribucin Emprica
Probabilidad Acumulada

0.4
0.2
0.0

0 20 40 60 80 100 120 140

nmero de datos

20.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

##[1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

20.6. Calculo de los Cuantiles

# calculo de los cuantiles

Q<-qgamma(p, forma, escala)
Rsult<-data.frame(Tr,p,Q);Rsult

Tr p Q
1 2 0.5000000 0.003438817
2 5 0.8000000 0.011744859
3 10 0.9000000 0.019028714
4 15 0.9333333 0.023505251
5 20 0.9500000 0.026751129
6 25 0.9600000 0.029301931

40
7 50 0.9800000 0.037374531
8 100 0.9900000 0.045622093
9 200 0.9950000 0.053999804
10 250 0.9960000 0.056719345
11 500 0.9980000 0.065225206
12 1000 0.9990000 0.073805653

plot(Tr,Q, pch=23, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",
main = "Cuantiles Vs Periodo de retorno" )
grid()

Cuantiles Vs Periodo de retorno

0.22
0.20
0.18
0.16
Cuantil

0.14
0.12
0.10

0 200 400 600 800 1000

Periodo de retorno (aos)

20.7. Test de Smirnov Kolmogorov

# prueba de Smirnov kolmogorov

# diferencia [G_y] - [P_E]
r <- c()
for(i in 1:n)
{
a <- c(( G_y[i] - P_E[i]))
r[i] <- abs(a)
}
r

41
> r
[1] 0.005589095 0.006133804 0.018599777 0.022204810 0.035903440 0.045473336
[7] 0.035037102 0.034701981 0.035469382 0.025872865 0.028813802 0.040489553
[13] 0.023509473 0.028688137 0.029117043 0.039714513 0.021891609 0.022204659
[19] 0.033244624 0.043663049 0.052481881 0.022897388 0.004795368 0.008443702
[25] 0.018337059 0.004953685 0.008752834 0.011801096 0.054942307 0.064276119
[31] 0.062189385 0.072754463 0.071324985 0.082538022 0.082719698 0.080346040
[37] 0.067219654 0.062351868 0.068242185 0.071651710 0.075270693 0.070236653
[43] 0.067330683 0.055586422 0.057573799 0.051873573 0.071492936 0.088891611
[49] 0.080151480 0.070907863 0.071371540 0.071321964 0.057879527 0.049770860
[55] 0.040938502 0.061338213 0.049147003 0.038866035 0.048453535 0.035208642
[61] 0.032158244 0.020901203 0.009007870 0.020240936 0.012856422 0.009708307
[67] 0.003115956 0.014006784 0.025494908 0.024569787 0.036950459 0.042182886

# Calculo de valor maximo

maximo <- max(r);maximo

##[1] 0.08889161

42
21. Distribucion Gamma 3p
funcion densidad
se dice que un variable aleatoria X, tiene una distribucion gamma de 3 parametros, si su
funcion densidad de probabilidad es:
xx0
(x x0 )1 e
f (x) = (18)
r ()
para:
x0 x <
< x0 <
0<<
0<<

Estimacion de parametros, metodo de momentos

aplicando el metodo de momentos, se obtiene las siguientes relaciones:

X = x0 +
S2 = 2
2
Cs = g =

luego:
4
=
C22
Cs S
=
2
2S
X0 = X
Cs

funcion acumulada
la funcion de distribucion acumulada de la distribucion gamma 3 parametros es:
(xx0 )
x
(x x0 )1 e
Z
f (x) = dx (19)
x0 r( y)
en la cual:
x = variable aleatoria gamma de 3 parametros
X0 =origen de la variable x, parametro de posicion
=parametros de escala
=parametro de forma
r(y)=funcion gamma completa

21.1. Recepcion de Datos

Importar los datos de la variable.

43
# Definir la ubicacion de la carpeta de trabajo
setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

21.2. Distribucion Emprica

Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (20)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",

44
 main = "Distribucion Emprica")
grid()

Distribucin Emprica

1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

21.3. Calculo de los parametros

# por el metodo de momentos

X<-mean(x)
for (i in 1:n) {a[i]<-(x[i]-X)^2}
for (i in 1:n) {b[i]<-(x[i]-X)^3}
S<-sqrt((sum(a))/(n-1))
M<-(sum(b))/n
Cs<-((n^2)*M)/((n-1)*(n-2)*(S^3))
posicion<-X-(2*S/Cs);posicion #parametro de posicion

##[1] -49.8648

forma<-4/(Cs^2);forma #parametro de forma

##[1] 4.711537

escala<-Cs*S/2;escala #parametro de escala

##[1] 19.10027

45
21.4. Calculo de la Funcion Acumulada F x

#calculo de funcion acumulada

G_y<- c()
ry<-(forma^forma)*(exp(-forma))*(sqrt(2*pi/forma))
*(1+(1/(12*forma))+(1/(288*forma^2))-(139/(51840*forma^3))-(571/(2488320*forma^4)))
for(i in 1:n)
{y<-(x[i]-posicion)/escala
Z<-0
W<-1
h<-i
for (j in 1:h) {
t<-y^(forma+(j-1))
w<-forma+(j-1)
W<-W*w
z<-t/W
Z<-Z+z
}
G_y[i]<-((exp(-y))/ry)*(Z)
}
G_y

> G_y
[1] 0.09140527 0.13318570 0.14972970 0.15531548 0.15701621 0.15810985 0.15992760
[8] 0.16128692 0.16274013 0.16587803 0.16755776 0.16789005 0.17357671 0.17537545
[15] 0.17837201 0.17910704 0.18734733 0.19128410 0.19209814 0.19311736 0.19466426
[22] 0.21005710 0.22780586 0.22802078 0.22981608 0.24877980 0.25875684 0.26895006
[29] 0.30863274 0.32713709 0.33703557 0.35900524 0.37079881 0.39621439 0.41125421
[36] 0.42400249 0.42465816 0.43491787 0.45863320 0.48043547 0.50354573 0.51550090
[43] 0.53075558 0.53356074 0.55654432 0.56857979 0.62089059 0.67253401 0.68097919
[50] 0.68860889 0.71309527 0.73695574 0.73740540 0.74722859 0.75579430 0.81565889
[57] 0.81827703 0.82419654 0.86368818 0.86443891 0.88178696 0.88568437 0.88854479
[64] 0.92582121 0.93446851 0.94803774 0.94910873 0.95248894 0.95508525 0.97070379
[71] 0.97196916 0.97948833

plot(x, G_y, type="l", pch=19, col="red",lty=1, xlab="numero de datos",

ylab="Probabilidad Acumulada",main="DISTRIBUCION GAMMA 3P")

46
lines(x, P_E, pch=18, col="blue", type="b", lty=3) # Agregar una lnea
legend(topleft, legend=c(Distribucion Gamma 3P,Distribucion Emprica),
lty=1:3, pch=c(19,20,18), col=c(red , magenta , blue), cex=0.8, text.font=4)
grid()

DISTRIBUCION GAMMA 3P
1.0

Distribucion Gamma 3P

Distribucin Emprica
0.8
Probabilidad Acumulada

0.6
0.4
0.2

0 20 40 60 80 100 120 140

nmero de datos

21.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

##[1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

21.6. Calculo de los Cuantiles

# Calculo de cuantiles
Q<-qgamma(p, forma, escala)
Rsult<-data.frame(Tr,p,Q);Rsult

Tr p Q
1 2 0.5000000 0.2294588

47
2 5 0.8000000 0.3337944
3 10 0.9000000 0.3988746
4 15 0.9333333 0.4341794
5 20 0.9500000 0.4583411
6 25 0.9600000 0.4766598
7 50 0.9800000 0.5316460
8 100 0.9900000 0.5843518
9 200 0.9950000 0.6353253
10 250 0.9960000 0.6514299
11 500 0.9980000 0.7006534
12 1000 0.9990000 0.7488316

plot(Tr,Q, pch=23, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",
main = "Cuantiles Vs Periodo de retorno" )
grid()

Cuantiles Vs Periodo de retorno

35
Cuantil

30
25

0 200 400 600 800 1000

Periodo de retorno (aos)

21.7. Test de Smirnov Kolmogorov

# prueva de Smirnov kolmogorov

# diferencia F_AS - P_E
r <- c()
for(i in 1:n)

48
{
a <- c(( F_AS[i] - P_E[i]))
r[i] <- abs(a)
}
r

> r
[1] 0.1404236436 0.1267250135 0.1133329139 0.0996956245 0.0860378947 0.0729533844
[7] 0.0608722951 0.0484372102 0.0361106176 0.0253870790 0.0132827423 0.0001003801
[13] 0.0083932199 0.0203796812 0.0312235652 0.0442214900 0.0500523179 0.0599841935
[19] 0.0729033046 0.0856256277 0.0978418358 0.0967470177 0.0932949477 0.1067853008
[25] 0.1187436006 0.1140002877 0.1179543804 0.1216684807 0.0962346870 0.0915526889
[31] 0.0953868425 0.0871156422 0.0889797778 0.0770844659 0.0755834379 0.0763688023
[37] 0.0894025720 0.0926889867 0.0822599376 0.0737086703 0.0637567792 0.0651834975
[43] 0.0632272534 0.0740454872 0.0641268081 0.0654472457 0.0252888755 0.0141981008
[49] 0.0091906797 0.0033412992 0.0148111513 0.0255937806 0.0123560005 0.0087196512
[55] 0.0037862925 0.0510481416 0.0400009973 0.0322919133 0.0583371901 0.0453900426
[61] 0.0490086280 0.0391871214 0.0283307164 0.0513884044 0.0461326162 0.0456106051
[67] 0.0329480918 0.0225158415 0.0113221428 0.0126214210 0.0001328778 0.0063867644

# Calculo de valor maximo

maximo <- max(r);maximo

## [1] 0.1404236

49
22. Distribucion Gumbel
es una de las distribuciones de valor extremo, es llamada tambien valor extremo tipo I o
distribucion doble exponencial.

funcion acumulada.
(x)
f (x) = e e (21)
para: < x <
donde:
0 < < , es el parametro de escala < < , es el parametro de posicion, llamado
tambien valor central o moda

funcion densidad.
1 (x) (x)
f (x) = e e (22)

estimacion de parametros, metodo de momentos.

X = + 0,5772156649
pi2 2
E[(x E(x))2 ] = S 2 =
6
= X 0,57721 = X 0,45S

22.1. Recepcion de Datos

Importar los datos de la variable.

# Definir la ubicacion de la carpeta de trabajo

setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

22.2. Distribucion Emprica

Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (23)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()

50
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",

main = "Distribucion Emprica")
grid()

22.3. Calculo de los parametros

# metodo de momentos
u <- mean(x) - 0.450048791*sd(x); # parametro de posicion

## [1] 21.46816

alpha <- sd(x)*0.779696801;alpha # parametro de escala

## [1] 32.32559

22.4. Calculo de la Funcion Acumulada F x

#calculo de funcion acumulada

F_AS <- c()
for(i in 1:n)

51
 Distribucin Emprica

1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

{
y<-(x[i]-u)/alpha
z <- exp(-exp(-y))
F_AS[i] <- z
}
F_AS

> F_AS
[1] 0.1433042 0.1433042 0.1436274 0.1436920 0.1437352 0.1443828 0.1460894 0.1474234
[9] 0.1488729 0.1520189 0.1537064 0.1540405 0.1597713 0.1615889 0.1646220 0.1653669
[17] 0.1737434 0.1777609 0.1785928 0.1796350 0.1812181 0.1970470 0.2154553 0.2156791
[25] 0.2175498 0.2373938 0.2478902 0.2586493 0.3008084 0.3205794 0.3311758 0.3547303
[33] 0.3673882 0.3946780 0.4108232 0.4245003 0.4252034 0.4362018 0.4615849 0.4848562
[41] 0.5094382 0.5221143 0.5382441 0.5412044 0.5653859 0.5779935 0.6322941 0.6850023
[49] 0.6935277 0.7012061 0.7256919 0.7493144 0.7497573 0.7594106 0.7677942 0.8254843
[57] 0.8279710 0.8335821 0.8706273 0.8713252 0.8873905 0.8909843 0.8936185 0.9277366
[65] 0.9356191 0.9480021 0.9489816 0.9520763 0.9544575 0.9689153 0.9701022 0.9772390

plot(x, F_AS, type="l", pch=18, col="red",lty=1, xlab="numero de datos",

ylab="Probabilidad Acumulada",main="DISTRIBUCION GUMBEL")
lines(x, P_E, pch=19, col="blue", type="b", lty=3) # Agregar una linea
legend(topleft, legend=c(gumbel Momentos,Distribucion Emprica),

52
 lty=1:3, pch=c(19,20), col=c(red,blue), cex=0.8, text.font=4)
grid()

DISTRIBUCION GUMBEL
1.0

gumbel Momentos

Distribucin Emprica
0.8
Probabilidad Acumulada

0.6
0.4
0.2

0 20 40 60 80 100 120 140

nmero de datos

22.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

## [1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

22.6. Calculo de los Cuantiles

#calculo de los cuantiles

p<-c((1-1/Tr));p
y<-(-1*log(-1*log(p)))
Q<-((y*alpha)+u)
Rsult<-data.frame(Tr,p,Q);Rsult

Tr p Q
1 2 0.5000000 33.31591

53
2 5 0.8000000 69.95461
3 10 0.9000000 94.21262
4 15 0.9333333 107.89878
5 20 0.9500000 117.48149
6 25 0.9600000 124.86268
7 50 0.9800000 147.60064
8 100 0.9900000 170.17072
9 200 0.9950000 192.65843
10 250 0.9960000 199.88790
11 500 0.9980000 222.32670

plot(Tr,Q, pch=21, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",
main = "CUANTILES Vs PERIODO DE RETORNO" )
grid()

CUANTILES Vs PERIODO DE RETORNO

12
10
Cuantil

8
6
4
2

0 200 400 600 800 1000

Periodo de retorno (aos)

22.7. Test de Smirnov Kolmogorov

# prueva de Smirnov kolmogorov

# diferencia F_AS - P_E
r <- c()
for(i in 1:n)
{

54
 a <- c(( F_AS[i] - P_E[i]))
r[i] <- abs(a)
}
r

> r
[1] 0.129605594 0.115906964 0.102531485 0.088897528 0.075242020 0.062190986
[7] 0.050198977 0.037834378 0.025585198 0.015032555 0.003021456 0.010343082
[13] 0.018310899 0.030191921 0.040857476 0.053811160 0.059133338 0.068814486
[19] 0.081681168 0.094337574 0.106453164 0.104322892 0.099613192 0.113087978
[25] 0.124915966 0.118770584 0.121972783 0.124912369 0.096451872 0.090379532
[31] 0.093481776 0.083625837 0.084666555 0.071075450 0.068628822 0.068650397
[37] 0.081645870 0.084346130 0.072661683 0.063088959 0.052205675 0.053228200
[43] 0.050797010 0.061535354 0.051052433 0.052143458 0.011541545 0.027468039
[49] 0.022294852 0.016274597 0.027061766 0.036985662 0.023729904 0.019684559
[55] 0.014369528 0.058360988 0.047149057 0.039061567 0.062408104 0.049407355
[61] 0.051774104 0.041669272 0.030604841 0.051024248 0.045208092 0.043892545
[67] 0.031173369 0.020569455 0.009252025 0.010011164 0.002500585 0.009062358

# Calculo de valor maximo

maximo <- max(r);maximo

## [1] 0.1296056

55
23. Distribucion Log Gumbel
Estimacion de Parametros, Metodo de Momentos
(x)

F (x) = ee
(24)
Donde:
: Parametro de escala
: Parametro de posicion

Funcion Acumulada F (x)

= 0,78Slnx (25)

= X lnx 0,4Slnx (26)

23.1. Recepcion de Datos

Importar los datos de la variable.

# Definir la ubicacion de la carpeta de trabajo

setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)

23.2. Distribucion Emprica

Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (27)
n+1

donde m es el numero de orden correspondiente a cada valor de la serie ordenados de menor a

mayor, y n es el tamano o numero total de la muestra.

#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E

56
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137

plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",

main = "Distribucion Emprica")
grid()

Distribucin Emprica
1.0
0.8
0.6
P

0.4
0.2
0.0

0 20 40 60 80 100 120 140

23.3. Calculo de los parametros

# calculo de los parameros

# metodo de momentos
u <- mean(log(x)) - 0.450048791*sd(log(x));u #parametro de posicion

57
## [1] 1.527716

alpha <- sd(log(x))*0.779696801;alpha #parametro de escala

## [1] 1.71467

23.4. Calculo de la Funcion Acumulada F x

#calculo de funcion acumulada

F_AS <- c()
for(i in 1:n)
{
y<-(log(x[i])-u)/alpha
z <- exp(-exp(-y))
F_AS[i] <- z
}
F_AS

> F_AS
[1] 6.549000e-08 3.473965e-07 8.428911e-07 8.822099e-05 8.822099e-05 2.756235e-04
[7] 8.903685e-03 2.322174e-02 4.241198e-02 8.706945e-02 1.102464e-01 1.147022e-01
[13] 1.834187e-01 2.022930e-01 2.310790e-01 2.376777e-01 3.014684e-01 3.266222e-01
[19] 3.314782e-01 3.374057e-01 3.460943e-01 4.166540e-01 4.742675e-01 4.748592e-01
[25] 4.797209e-01 5.236936e-01 5.426045e-01 5.596926e-01 6.113193e-01 6.298423e-01
[31] 6.387293e-01 6.564097e-01 6.649254e-01 6.814193e-01 6.901819e-01 6.971220e-01
[37] 6.974679e-01 7.027491e-01 7.141016e-01 7.236367e-01 7.329584e-01 7.375064e-01
[43] 7.430699e-01 7.440658e-01 7.519365e-01 7.558700e-01 7.717367e-01 7.859032e-01
[49] 7.881143e-01 7.900910e-01 7.963179e-01 8.022475e-01 8.023582e-01 8.047691e-01
[55] 8.068610e-01 8.213982e-01 8.220384e-01 8.234901e-01 8.334088e-01 8.336031e-01
[61] 8.381796e-01 8.392348e-01 8.400167e-01 8.510144e-01 8.538808e-01 8.587759e-01
[67] 8.591885e-01 8.605217e-01 8.615806e-01 8.688335e-01 8.695124e-01 8.740015e-01

plot(x, F_AS, type="l", pch=18, col="red",lty=1, xlab="",

ylab="Probabilidad Acumulada",main="DISTRIBUCION log-GUMBEL")
lines(x, P_E, pch=19, col="blue", type="b", lty=3) # Agregar una linea
legend(topleft, legend=c(gumbel Momentos,Distribucion Emprica),
lty=1:3, pch=c(19,20), col=c(red,blue), cex=0.8, text.font=4)
grid()

58
 DISTRIBUCION logGUMBEL

gumbel Momentos

0.8
0.6 Distribucin Emprica
Probabilidad Acumulada

0.4
0.2
0.0

0 20 40 60 80 100 120 140

23.5. Calculo de las Probabilidades

Las probabilidades se asignan a partir del periodo de retorno Tr al cual se desea someter.

# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p

## [1] 0.5000000 0.8000000 0.9000000 0.9333333 0.9500000 0.9600000 0.9800000 0.9900000

## [9] 0.9950000 0.9960000 0.9980000 0.9990000

23.6. Calculo de los Cuantiles

p<-c((1-1/Tr));p
y<-(-1*log(-1*log(p)))
Q<-exp((y*alpha)+u)
Rsult<-data.frame(Tr,p,Q);Rsult

Tr p Q
1 2 0.5000000 8.637942e+00
2 5 0.8000000 6.031719e+01
3 10 0.9000000 2.184052e+02
4 15 0.9333333 4.513834e+02
5 20 0.9500000 7.504095e+02

59
6 25 0.9600000 1.110033e+03
7 50 0.9800000 3.708012e+03
8 100 0.9900000 1.227661e+04
9 200 0.9950000 4.046867e+04
10 250 0.9960000 5.938289e+04
11 500 0.9980000 1.952427e+05
12 1000 0.9990000 6.413788e+05

plot(Tr,Q, pch=21, col="#000099", bg="#FF6666", type="b", lty=1 ,

ylab = "Cuantil", xlab = "Periodo de retorno (a~
nos)",
main = "CUANTILES Vs PERIODO DE RETORNO" )
grid()

CUANTILES Vs PERIODO DE RETORNO

6e+05
5e+05
4e+05
Cuantil

3e+05
2e+05
1e+05
0e+00

0 200 400 600 800 1000

Periodo de retorno (aos)

23.7. Test de Smirnov Kolmogorov

# prueva de Smirnov kolmogorov

# diferencia F_AS - P_E
r <- c()
for(i in 1:n)
{
a <- c(( F_AS[i] - P_E[i]))
r[i] <- abs(a)
}

60
r

> r
[1] 0.013698565 0.027396913 0.041095048 0.054706300 0.068404930 0.081916157
[7] 0.086986726 0.086367300 0.080875695 0.049916847 0.040438549 0.049681339
[13] 0.005336551 0.010512206 0.025599590 0.018499575 0.068591695 0.080046847
[19] 0.071204196 0.063433093 0.058423045 0.115284185 0.159198979 0.146092046
[25] 0.137255112 0.167529215 0.172741514 0.176130968 0.214059039 0.218883358
[31] 0.214071767 0.218053526 0.212870570 0.215665839 0.210729858 0.203971348
[37] 0.190618605 0.182201117 0.179855056 0.175691476 0.171314526 0.162163913
[43] 0.154028830 0.141326072 0.135498128 0.125732986 0.127901100 0.128368932
[49] 0.116881382 0.105159454 0.097687736 0.089918707 0.076330791 0.065043077
[55] 0.053436304 0.054274922 0.041216529 0.028969518 0.025189643 0.011685249
[61] 0.002563127 0.010080273 0.022997004 0.025697897 0.036530187 0.045333673
[67] 0.058619678 0.070985114 0.083624915 0.090070648 0.103090342 0.112299903

# Calculo de valor maximo

maximo <- max(r);maximo

## [1] 0.2188834

61
Conclusiones
La precipitacion promedia durante 5 anos de la estacion CARANIA es 572.5 mm al ano.

La precipitacion promedia durante 6 anos de la estacion HUANGASCAR es 266.60 mm

al ano.

La precipitacion promedia durante 6 anos de la estacion PACARAN es 23.6 mm al ano.

La precipitacion promedia durante 5 anos de la estacion SOCSI CANETE es 0.8 mm al

ano.

La precipitacion promedia durante 5 anos de la estacion TANTA es 1000.84 mm al ano.

La precipitacion promedia durante 6 anos de la estacion VILCA es 856.5 mm al ano.

La precipitacion promedia durante 5 anos de la estacion YAURICOCHA es 1046.62 mm

al ano.

La precipitacion promedia durante 6 anos de la estacion YAUYOS es 308.6 mm al ano.

La estacion SOCSI CANETE tiene bajo indice de precipitacion puesto que nos da un
promedio de 0.8 mm durante los anos 2011 - 2015, que ademas se ubica a una pequena
altura de 500 msnm, eso indica que hay poca lluvia en el lugar donde abarca la estacion.

Por otra lado, la estacion YAURICOCHA tiene mas elevada precipitacion, de un promdio
de 1046.62 mm durante los anos 2011 - 2015, puesto que se encuentra a una mayor altura
de 4675 msnm.

Se llego a la conclusion que todas las distribuciones vistas, se ajustan a la distribucion

emprica, mediante la prueba de Smirnov kolmogorov

Pero la distribucion que mejor se ajusta a la distribucion emprica es la gamma de 2

pametros.

Se tuvo inconvenientes con la distribucion log-nomal de 3 parametros, ya que sus parame-

tros solo se pudo calcular con el metodo de momentos, y se ovio el metodo de maxima
verosimilitud ya que su solucion fue dificultoso para mi persona.

Tambien se tuvo una dificultad para el calculo de la distribucion log-Pearson Tipo III, por
tal motivo se omitio su calculo y su calculo.

Para las distribuciones log Gumbel y Gamma 2 parametros, se hizo un cambio de dato (a
las precipitaciones de 0 se cambio por 0.01), ya que usa logaritmos.

Se Calculo los caudales para diferentes tiempos de retorno,el cual se optivo mejor con la
distribucion gamma de 2 parametros:

Tr p Q
1 2 0.5000000 0.003438817
2 5 0.8000000 0.011744859
3 10 0.9000000 0.019028714
4 15 0.9333333 0.023505251
5 20 0.9500000 0.026751129
6 25 0.9600000 0.029301931

62
7 50 0.9800000 0.037374531
8 100 0.9900000 0.045622093
9 200 0.9950000 0.053999804
10 250 0.9960000 0.056719345
11 500 0.9980000 0.065225206
12 1000 0.9990000 0.07

63